徐麒皓，李 波

武汉科技大学 计算机科学与技术学院，武汉 430081

肺癌是世界上死因最高的癌症，肺结节作为肺癌的早期表现形式，可在CT 图像上观察为直径不超过3 cm的类圆形的肺部阴影，对其轮廓进行准确地分割能够帮助医生实现肺结节良恶性的诊断[1]。由于肺结节体积微小，其形态、亮度等特征与肺实质中的血管等组织相似，仅通过肉眼观察难以将其两者分开，容易对医生的判断产生严重的干扰。

深度学习目前在计算机视觉取得出色的应用效果。神经网络能够自动地完成对特定物体的学习，如Kumar 等[2]利用卷积神经网络（Convolutional Neural Network，CNN）对肺结节进行良恶性分类，Wang 等[3]利用多尺度CNN对肺结节进行有效检测与分割。在图像分割方面，Long 等[4]提出了全卷积神经网络（Fully Convolutional Network，FCN）。该模型通过将CNN 的全连接层替换成卷积得到每个图像中像素的分类结果以实现图像分割。Ronneberger 等[5]在FCN 的基础上提出了U-Net 网络，该网络具有U 型对称结构，通过对图像特征进行编码与解码，同时融合网络全局和局部语义特征得到了较好的分割效果[6-10]。在医学图像处理中，一般很难取得大量的高素质批注医学图像，然而U-Net能够在较少样本量的情况下完成模型训练并实现图像分割。因此该网络经常应用于医学图像分割处理任务，然而医学图像中的肺结节具有边缘模糊和目标区域小等特点，仅使用原始U-Net 对其进行训练存在梯度消失、特征利用率低等问题[11]，最终导致模型的分割准确率难以提高。

为了解决这些问题，本文提出改进双向LSTM密集卷积网络[12]，创新地将双向LSTM 包含在跳跃连接中，并重用具有密集卷积的特征图。……